В биомедицинских исследованиях всё чаще собираются многомерные данные разных типов (геномные, транскриптомные, протеомные, метаболомные) от одних и тех же субъектов. Интеграция этих данных может улучшить прогнозирование за счёт использования общей или комплементарной информации. Кооперативное обучение — это подход, основанный на согласовании прогнозов, получаемых от отдельных типов данных, однако исходная модель предполагает независимость наблюдений и не учитывает кластерную структуру (например, повторные измерения у одного субъекта). Авторы предлагают метод Cooperative Learning with a penalized Linear Mixed Model (CL-pLMM) для многомерных данных высокой размерности с кластерной структурой. CL-pLMM заменяет обычную функцию потерь в кооперативном обучении на ковариационно-взвешенную, учитывающую внутрикластерную зависимость, сохраняя штраф согласования между типами данных и Lasso-штраф для отбора переменных. Показано, что целевую функцию можно представить как регуляризованную линейную модель со смешанными эффектами на дополненных данных, что позволяет использовать существующие процедуры оценки. Эффективность CL-pLMM проверена в симуляционных исследованиях при различных настройках сигнала и зависимости, а также на реальных продольных протеомных и метаболомных данных для прогнозирования времени до спонтанных родов. Метод позволяет повысить точность прогнозов и улучшить отбор признаков в кластеризованных многомерных данных, что актуально для биомедицинских приложений с повторными измерениями.